Dans la fenêtre d’impression, choisissez « Enregistrer en PDF » comme destination.

Réf. IA-IT

IA pour les spécialistes IT - Les fondamentaux

IA pour les métiers du numérique

Durée

21 à 28 heures (3 à 4 jours) selon le format

Modalités

Présentiel, Classe à distance

Reconnaissance

Formation non certifiante (attestation de fin de formation)

Format de vente

Inter-entreprise ou Intra-entreprise

Délai d’accès

Inter : jusqu’à 5 jours ouvrés avant la session ; intra : en moyenne 15 jours ouvrés après l’acceptation du devis

Tarif intra

Sur devis

Pourquoi suivre cette formation

L'IA change la façon de concevoir les systèmes informatiques. Cette formation vous apprend à choisir les modèles, à les connecter à vos applications, à construire un système RAG, puis à le déployer et le sécuriser.

À l’issue de cette formation, les participants seront capables de

Comprendre l'architecture des grandes familles d'IA (prédictive, générative, Transformers)
Évaluer, choisir et orchestrer des modèles d'IA (open source ou API propriétaires)
Concevoir et automatiser l'alimentation en données des systèmes d'IA (bases vectorielles, RAG)
Adapter un modèle aux besoins de l'entreprise (fine-tuning, enrichissement du contexte)
Piloter le déploiement, la supervision, la sécurité et la gouvernance des modèles (MLOps, LLMOps)

Formats proposés

ACTIONImmersion21 heures (3 jours)2 340 € HTpar participant (inter-entreprises)

IMPACTTerrain28 heures (4 jours) · dont une journée en décalé3 275 € HTpar participant (inter-entreprises)

Chaque format reprend le précédent et y ajoute des journées.

Public visé

Ingénieurs système, Architectes Cloud, Directeurs des Systèmes d'Information (DSI), Développeurs Senior, Ingénieurs DevOps et Data Engineers.

Prérequis

Maîtriser les bases du développement (Python de préférence) et posséder une bonne connaissance générale des architectures de systèmes et réseaux.

Prérequis techniques à distance

La classe virtuelle se tient sur Microsoft Teams : AMBIA fournit à chaque participant un compte pour la durée de la formation. En intra-entreprise, elle peut aussi se tenir sur l’outil que l’entreprise utilise déjà, par exemple Zoom ou Google Meet.

Le participant se connecte depuis un ordinateur équipé d’une caméra, d’un micro, d’un accès à internet et d’un navigateur à jour, dans un lieu calme. Si la formation le demande, le formateur donne accès à un poste de travail à distance, depuis le navigateur.

Pendant la formation, l’assistance technique répond à support@ambia-skills.fr.

Objectifs pédagogiques

Différencier les taxonomies de l'IA (Machine Learning, Deep Learning, Transformers, NLP, Computer Vision). Expliquer le fonctionnement de l'architecture Transformer, du mécanisme d'attention et du RAG. Connecter des applications à des modèles d'IA via des API propriétaires ou bibliothèques Open Source. Auditer la latence, la consommation de ressources et la sécurité d'un pipeline LLM. Évaluer et comparer les performances de modèles Open Source vs API fermées. Déployer un pipeline RAG complet et sécurisé en environnement MLOps/LLMOps.

Programme détaillé

Jour 1ACTION

Matin

Panorama des architectures d'IA et choix entre modèles open source et propriétaires

Comprendre le paysage technique des modèles d'IA et évaluer les choix d'architecture pour l'entreprise.

Histoire et taxonomies : Machine Learning, Deep Learning, réseaux de neurones et Transformers.
Fonctionnement interne des LLM : fenêtres de contexte, paires clés/valeurs, tokens et embeddings.
Étude comparative des modèles : API propriétaires (OpenAI, Anthropic, Google) vs Modèles Open Source (par exemple Llama, Mistral, Qwen).
Critères de choix pour l'entreprise : coûts d'inférence, confidentialité, latence et souveraineté.

Atelier pratique

Benchmark de performances et de coûts d'inférence entre 3 modèles sur une tâche technique.

Cas métier

Sélection de l'architecture IA pour une banque d'investissement - Choix entre déploiement souverain sur site (On-Premise) et API Cloud sécurisée.

Compétence acquise

Savoir orienter les choix d'architecture IA de l'entreprise selon les contraintes de coût et de sécurité.

Livrable

Matrice comparative d'architectures IA d'entreprise.

Après-midi

Prompts techniques et connexion aux API

Développer des scripts applicatifs d'interconnexion aux modèles via des API et frameworks d'ingénierie.

Utilisation des SDK et API (OpenAI API, Ollama, Hugging Face Hub).
Formatage des appels API : paramètres temperature, top_p, max_tokens et génération de sorties JSON structurées.
Frameworks d'orchestration : prise en main de LangChain et LlamaIndex.
Traitement des erreurs, gestion du Rate Limiting et stratégies d'essai automatique (Retry Mechanism).

Atelier pratique

Écriture d'un script Python interrogeant une API IA et retournant une réponse JSON validée par Pydantic.

Cas métier

Parsing et catégorisation automatique d'incidents IT - Script d'extraction des métadonnées d'un ticket de support.

Compétence acquise

Savoir intégrer des fonctionnalités d'IA dans des applications existantes via des API propres.

Livrable

Script d'intégration API IA sécurisé et documenté.

Jour 2ACTION

Matin

Architecture RAG et bases de données vectorielles

Concevoir un système d'information augmenté par recherche vectorielle sur les données privées de l'entreprise.

Principes de l'architecture RAG : du document brut à la réponse contextualisée.
Découpage de documents (Chunking strategies) et choix des modèles de vectorisation (Embedding Models).
Utilisation des bases de données vectorielles (ChromaDB, Pinecone, Qdrant, FAISS).
Mécanismes de recherche par similarité cosinus et recherche hybride (Dense + Sparse / BM25).

Atelier pratique

Création complète d'un pipeline RAG en Python indexant 100 documents techniques d'entreprise.

Cas métier

Moteur de recherche intelligent pour la documentation de la DSI - Recherche vectorielle sur 500 PDF d'architectures SI.

Compétence acquise

Bâtir un système RAG d'entreprise hautement précis sans réentraîner de modèle.

Livrable

Le code source d'un pipeline RAG complet.

Après-midi

Fine-tuning et adaptation des modèles (LoRA, QLoRA)

Adapter un modèle Open Source aux spécificités d'un domaine ou d'un jargon technique d'entreprise.

Quand utiliser le RAG vs quand effectuer du Fine-Tuning ?
Préparation et nettoyage des jeux de données d'entraînement (format d'apprentissage supervisé / JSONL).
Techniques d'adaptation à bas rang : LoRA (Low-Rank Adaptation) et QLoRA (quantification 4-bit).
Entraînement et évaluation des performances du modèle ajusté.

Atelier pratique

Fine-Tuning guidé d'un modèle léger Open Source (Llama-3-8B) sur un jeu de données de support technique.

Cas métier

Adaptation d'un modèle au jargon d'un système propriétaire - Entraînement sur la documentation d'un logiciel métier spécifique.

Compétence acquise

Savoir préparer un jeu de données et exécuter un Fine-Tuning léger d'un modèle Open Source.

Livrable

Modèle fine-tuné et script d'évaluation.

Jour 3ACTION

Matin

MLOps et LLMOps : déploiement, supervision et conteneurisation

Industrialiser le déploiement et la supervision opérationnelle des solutions IA en production.

Principes du MLOps et LLMOps : cycle de vie du code, des données et des modèles en production.
Conteneurisation de microservices IA avec Docker et déploiement sous Kubernetes / Cloud Services.
Monitoring de la performance : temps de réponse (TTFT - Time To First Token), débit de tokens, taux d'erreurs.
Détection de la dérive des données (Data Drift) et ré-entraînement automatique.

Atelier pratique

Création de l'image Docker d'une API RAG et configuration du tableau de bord de monitoring sous Prometheus/Grafana.

Cas métier

Mise en production industrielle d'un service d'IA pour 1 000 utilisateurs internes - Déploiement conteneurisé hautement disponible.

Compétence acquise

Savoir industrialiser et superviser un service d'IA en production conformément aux standards MLOps.

Livrable

Fichier Dockerfile, docker-compose.yml et configuration de monitoring.

Après-midi

Sécurité de l'IA (injection de prompts, NIS 2)

Sécuriser les applications IA contre les attaques informatiques et garantir la conformité technique.

Le Top 10 des vulnérabilités OWASP pour les LLM (Injection de prompts, fuite de données, déni de service).
Mise en place de pare-feux de prompts (Prompt Firewalls / Guardrails) avec NeMo Guardrails ou Llama Guard.
Anonymisation et masquage automatique des données sensibles (PII) avant envoi au modèle.
Conformité technique avec l'IA Act européen et les exigences de la directive NIS 2.

Atelier pratique

Test d'attaques d'injection de prompts sur une application et mise en place des filtres de protection Guardrails.

Cas métier

Sécurisation d'un chatbot d'assistance bancaire - Blocage des tentatives de contournement de consignes et protection des données clients.

Compétence acquise

Sécuriser une architecture d'IA contre les attaques malveillantes et garantir sa conformité.

Livrable

Le guide de sécurité OWASP LLM Security Check-list et scripts de filtres Guardrails.

Jour 4 · en décaléIMPACT

Matin

Diagnostic de vos architectures et chaînes de traitement d'IA réelles

Optimiser la précision de recherche, réduire la latence et sécuriser la gestion des clés d'API.

Examen approfondi des scripts Python, des bases vectorielles et des pipelines RAG déployés par les ingénieurs.

Après-midi

Construire les modèles d'architecture et de LLMOps de l'entreprise

Livrer le socle d'architecture d'IA d'entreprise sécurisé et prêt pour la production.

Configuration finale des conteneurs Docker et rédaction des normes de sécurité pour les futurs développements IA de la DSI.

Les ateliers et cas métier de ce programme pourront être adaptés par le consultant-formateur selon les besoins, le niveau et les prérequis des participants, pour favoriser l’atteinte des objectifs pédagogiques.

Méthodes et moyens pédagogiques

Méthodes mobilisées

Pédagogie active par projets : défis techniques guidés, développement en direct et revues de code entre participants.

Moyens techniques

Ordinateur individuel haut de gamme, accès aux plateformes de Cloud Computing, notebooks Jupyter configurés, et serveurs de bases de données vectorielles.

Moyens humains

Consultant-formateur de la filière IA & Data d'AMBIA.

Modalités d’évaluation

Évaluation diagnostique

Questionnaire technique de positionnement en amont (validation des bases Python et réseaux).

Évaluation formative

Évaluation continue via des ateliers pratiques basés sur des cas réels à chaque fin de demi-journée.

Évaluation sommative

Soutenance finale du projet d'intégration d'agent IA devant le formateur-expert ou examen de certification sur projet, complétée par un Questionnaire de validation des acquis sous forme de QCM en fin de formation.

Suivi

Feuilles de présence signées par demi-journée, en présentiel comme à distance.
Attestation de fin de formation remise à chaque stagiaire, mentionnant les objectifs, la nature, la durée et les résultats de l’évaluation.
Certificat de réalisation adressé au client ou au financeur.
Questionnaire de satisfaction remis à l’issue de la formation.

Délai d’accès

Inter-entreprises : L’inscription est possible jusqu’à 5 jours ouvrés avant le début de la session, sous réserve des places disponibles.

Intra-entreprise : La formation débute en moyenne 15 jours ouvrés après l’acceptation du devis.

Ce délai peut être adapté selon la disponibilité des sessions, le positionnement du stagiaire et, le cas échéant, l’instruction du dossier de prise en charge par le financeur.

Accessibilité handicap

Formation accessible aux personnes en situation de handicap.

Référent handicap : accessibilite@ambia-skills.fr. Aucune reconnaissance de la qualité de travailleur handicapé ni aucun justificatif médical n’est exigé.

Indicateurs de résultats

Indicateurs publiés à partir de 3 avis.

Mode de calcul : www.ambia-skills.fr/notre-approche#notes